電力・ガス・水道のAI活用事例｜需要予測・電力最適化・スマートグリッドAIを徹底解説【2026年最新】

電力・ガス・水道の公益事業では、需要予測・設備保全・漏水検知・顧客対応の4領域を中心にAIが実務投入され、電力分野はすでに「実用段階」、水道分野は「データ基盤の整備段階」という大きな成熟度差が生じています。そして2026年の最大の論点は、AIが電力を最適化する側であると同時に、データセンターを通じて電力需要そのものを押し上げる側にもなっているという二面性です。

本記事では、電力広域的運営推進機関（OCCTO）の需要想定、国土交通省の水道スマートメーター資料、NITEの電気保安スマート化調査など公表された一次データをもとに、3分野のAI活用事例・導入コストの目安・失敗パターン・規制対応を整理します。エネルギー事業者のDX担当、自治体の水道・上下水道部門、公益インフラ向けにソリューションを検討している企業の方に向けた内容です。

この記事でわかること

• 電力・ガス・水道の分野別AI活用領域と、2026年に発表された最新事例
• OCCTOの需要想定で見る「産業用だけが伸びる」電力需要の構造変化
• 需要予測AIが実際にはどこまでできて、どこからできないのか
• 3分野のデータ基盤・AI成熟度のギャップ（電力ほぼ全戸 vs 水道1%未満）
• 導入コストの型・補助制度・回収期間の考え方
• PoC止まりになる典型的な失敗パターンと、その回避手順
• 2026年施行の重要インフラ統一基準など、規制・セキュリティ上の必須対応

公益事業のAI活用は「最適化する側」と「電力を消費する側」の二正面作戦

公益事業のAI活用を判断するうえで、まず押さえるべき事実は3つあります。

1. 電力分野はAIの実用段階に入っている。 需要予測・系統運用・発電計画・設備保全で成果が公表され、2026年は生成AI・AIエージェントの業務適用フェーズに移行しました（関西電力送配電「DX戦略2026」、九州電力×neoAIの資本業務提携など）。
2. 水道分野はAI以前にデータ基盤が足りない。 水道スマートメーターの普及率は現時点でも1%未満にとどまり、多くの事業体は管路台帳の整備・電子化から始める必要があります。一方で、衛星×AIの漏水スクリーニングや管路劣化診断のように「既存データだけで始められるAI」は実績が積み上がっています。
3. 需要予測AIだけでは、いま起きている需要急増に追いつかない。 OCCTOはデータセンターや半導体工場の需要を回帰モデルではなく「系統接続の申込実績＋人手の補正」で個別計上しており、大手電力8社は需要予測の約2倍のペースで送電網投資を先行させています（2026年の日経報道）。

3分野の現在地を1枚で整理すると次のようになります。

電力・ガス・水道でAI導入が加速する3つの構造要因

公益事業へのAI導入は流行ではなく、インフラを現在の人員・予算で維持できなくなったことへの現実的な対応です。要因は3つに整理できます。

① 設備の高経年化と更新投資の限界

水道では管路経年化率が23.6%（令和4年度・水道統計）に達し、法定耐用年数40年を超えた管路が全体の2割を超えています。現在の更新ペースでは全国の更新完了まで100年単位の時間がかかる計算になり、「すべてを更新する」前提が成立しません。そのため、限られた予算をどの管路に先に投じるかを決める優先順位付けにAIの需要が集中しています。電力・ガスの送配電網・導管も同じ構造で、更新の絶対量ではなく配分の最適化が課題になっています。

② 人手不足と技術継承

水道事業の職員数はピーク時と比べて約38%減少しています（令和4年度時点）。電気保安分野でも入職者の減少と熟練技術者の退職が同時に進み、経済産業省・NITEが「スマート保安」を政策的に推進する背景になっています。浄水場の薬品注入量の判断や設備の異音診断のように、これまで熟練者の経験に依存していた業務をAIで形式知化する取り組みは、効率化というより事業継続のための代替手段として位置づけられつつあります。

③ 需要構造の変化と再エネ主力化

第7次エネルギー基本計画（2025年2月閣議決定）では、2040年度の電力需要を9,000億〜1兆1,000億kWh、電源構成を再エネ40〜50%程度・原子力20%程度・火力30〜40%程度と見込み、再エネを初めて最大の電源に位置づけました。天候で出力が変動する電源が主力になると、従来のルールベースの需給調整では処理しきれない場面が増えます。ここに、データセンター需要という新しい変動要因が重なったのが2026年の状況です。

電力分野に絞った需給最適化・インフラ保全の詳細は電力・エネルギーのAI活用事例でも整理しています。

数字で見る電力需要の現在地（OCCTO 2026年度需要想定）

出典: 電力広域的運営推進機関（OCCTO）公式サイト

電力業界のAI議論を実務に落とすには、まず需要の絶対値と伸び方を押さえる必要があります。以下は電力広域的運営推進機関（OCCTO）が2026年1月21日に公表した「全国及び供給区域ごとの需要想定（2026年度）」の値です。

全国の最大需要電力（夏季・送電端）

全体で見ると需要は横ばいに近い微増です。しかし用途別に分解すると中身は大きく入れ替わります。

人口減と省エネで家庭用は減り、データセンターや半導体工場を含む産業用だけが伸びる構造です。エリア別の最大需要電力の平均増減率（2025→2035）でも、北海道+0.9%・東京+0.8%と、四国▲0.8%・北陸▲0.2%の差が開いています。「全国平均で微増」という見出しだけを見ると、実務判断を誤ります。

データセンター・半導体工場の個別計上値

OCCTOは、通常の回帰モデルでは捉えられないデータセンターと半導体工場の需要を「個別計上」として別枠で積み上げています。

注目すべきは、半導体工場が2030年前後で頭打ち（92→101万kW）になるのに対し、データセンターは2035年まで倍増ペースで伸び続ける点です（328→661万kW）。系統計画・電源調達の前提として、この2つを一括りに扱うべきではありません。

電力分野のAI活用事例

電力分野は3分野の中でAI導入が最も進んでおり、需要予測から発電計画、設備保全、そして2026年は生成AI・AIエージェントの全社展開へと領域が広がっています。

出典: 関西電力株式会社 公式サイト

需給予測・市場価格予測

需要予測はAI活用が最も先行した領域です。気象データ・過去実績・カレンダー情報を組み合わせ、翌日〜数週間先の需要量、JEPX市場価格、インバランス発生量を予測します。新電力にとっては調達コストに直結するため、投資対効果を説明しやすい領域でもあります。

一般的な構成は「気象予測データの取り込み → 特徴量生成 → 勾配ブースティングやLSTM等での予測 → 複数モデルのアンサンブル → 計画値への反映」という流れです。予測誤差を1ポイント改善できればインバランス精算額に直接効くため、大手・新電力ともに内製と外部サービスの併用が一般化しています。

系統運用・需給計画の最適化

• 関西電力送配電は2026年2月2日に「DX戦略2026」を公表し、「データの蓄積と徹底的な活用」「Agile Win（小さく速いPoC）」「システムの次世代化」の3アプローチを掲げました。データ活用基盤にAI/MLとBIを実装し、配電・送変電のデータを横断利用する構想です。
• 四国電力はグリッド社と共同で、デジタルツイン＋AI最適化による電力需給計画最適化システムを2022年7月から運用しています。

再エネ出力予測

太陽光・風力の出力予測は、系統運用と市場取引の双方に効く領域です。大阪ガス（Daigasグループ）は全国約49,000件・合計35万kW超の太陽光発電所を対象とした日次発電量予測AIを運用し、2023年7月からは電力事業者向けに予測サービスとして外販しています。自社の需給運用で磨いたモデルを外部収益化した事例として、他事業者にとっても参考になります。

VPP・デマンドレスポンス

VPP（仮想発電所）は、太陽光・蓄電池・EV・業務用空調など分散したエネルギーリソースをAIで束ね、1つの発電所のように制御する仕組みです。デマンドレスポンス（DR）は、需給が逼迫する時間帯に需要側を調整する仕組みを指します。

ただし実務上は、AI制御の精度より需給調整市場の制度設計と系統制約がボトルネックになっている面があります。再エネの変動吸収のために創設された需給調整市場では、流動性不足による価格高騰や応札不足が課題として指摘されており、「AIで最適化する前に、参加できる市場と接続できる系統があるか」を確認する必要があります。

発電所の運転・保全（デジタル発電所）

JERAは全国26カ所の火力発電所にデジタル発電所（DPP）を導入し、20を超える内製アプリと遠隔監視・ディープラーニング分析基盤「G-DAC」を組み合わせて運転・保全を高度化しています。発電所1カ所あたり40年間で約400億円規模のコスト削減効果を見込むとされています（業界メディア経由の値のため参考値として掲載）。

設備の予知保全・劣化診断の考え方そのものは業種を越えて共通しており、手法の整理はインフラ・プラント保全のAI活用事例にまとめています。

生成AI・AIエージェントの業務適用（2026年の最新動向）

2026年に入り、電力業界の生成AI活用は「試す」から「事業に組み込む」段階に移りました。

• 九州電力 × neoAI（2026年7月9日）：九州電力がneoAIの株式を取得し、資本業務提携契約を締結しました。2023年度から社内で使ってきた「neoAI Chat」による部門特化型AI（電力設備工事の仕様書作成など）の実績を土台に、業務変革の推進・技術検証・データ基盤整備・生成AI活用モデルの共同展開を進めます。電力業界の生成AI活用としては直近で最も踏み込んだ動きです。
• 関西電力送配電「DX戦略2026」の人財目標：データサイエンティスト、データコンシェルジュ、DXアプリ開発者、生成AIエンジニアからなる高度専門人財を現状4名から2027年度中に30名程度へ、推進レベル人財を約150名から約1,800名へ拡大する計画を掲げています。生成AIエンジニアを職種として明記し、育成目標を数値で公表している点が特徴です。
• 関西電力グループは2025年6月にOpenAIとの戦略的連携を開始し、AI活用によるサービス創出と業務再構築を進めています。
• 東京電力エナジーパートナーは分析組織を拡張するAIエージェント「V-DAG」を開発し、Google Cloud 生成AI Innovation Awards 2025のファイナリストに選出されました。法人向けメール対応にも生成AIチャットボットを導入しています。

AIエージェントの基本的な仕組みと、業務適用時に必要な権限設計についてはAIエージェントとはで解説しています。

ガス分野のAI活用事例

ガス分野は東京ガス・大阪ガスの2社が牽引し、保安・設備診断のAIと、全社レベルの生成AI活用が並行して進んでいます。

東京ガス：「AIネイティブ企業」への転換

東京ガスは業務プロセスとデータ基盤を再構築し、「AIネイティブ企業」への進化を掲げています。特徴は次の3点です。

• 全社的な生成AI基盤の展開：生成AIチャットツールをグループ横断で提供し、3,500名以上が利用（公表時点の値）。独自開発アプリ「AIGNIS（アイグニス）」を業務に組み込んでいます。
• PoCの回し方が明確：3か月で20件超のPoCを実施し、「効果が出やすいパターン」を抽出したうえで展開対象を絞り込む方式を採っています。件数を絞らず高速で試し、勝ち筋を見つけてから投資を集中させるアプローチです。
• 設備側のAI：空調熱源機器の最適制御AIを開発しているほか、LNG基地のプロセスポンプ故障判定、ガス漏えいの遠隔検知など保安領域にもAIを適用しています。

大阪ガス：データ基盤と分析エージェント

大阪ガスはBigQuery上のデータ基盤に、Geminiベースのデータ分析エージェントを組み合わせ、エネルギー需要予測などの高度統計分析を行っています。太陽光発電量予測AIを電力事業者向けに外販している点と合わせると、社内のデータ活用で作った資産を対外サービス化する流れが明確です。

ガス分野でAIが効きやすい業務

水道分野のAI活用事例

水道分野は3分野で最もデジタル化が遅れています。水道スマートメーターの普及率は現時点でも1%未満にとどまり、学習に使えるデータそのものが不足している事業体が大半です。それでも、既存データや衛星データを使うAIから成果が出始めています。

衛星×AIによる漏水スクリーニング

衛星の観測データから漏水が疑われるエリアを絞り込み、その範囲だけを現地調査する手法が広がっています。政府は衛星画像・AIによる漏水検知を5年以内に全国で原則導入する方針を示しています。

• 福岡市水道局：衛星データによるマクロ調査と、IoTセンサーによるミクロ調査を組み合わせた漏水調査スキームを市内全域で実装済み。
• 豊田市：衛星×AIの活用で、漏水調査の対象距離を従来の約1/10に削減。

調査距離が1/10になるということは、同じ人員で10倍の面積をカバーできるということです。人員が減り続ける水道事業にとって、これは効率化というより調査そのものを継続できるかどうかの問題です。

管路劣化診断による更新優先度の最適化

管の材質・布設年・土壌条件・過去の漏水履歴をAIが学習し、破損確率を推定して更新の優先順位を付ける手法です。「耐用年数を超えた順に更新する」従来方式から、「壊れる確率が高い順に更新する」方式への転換になります。

• 四日市市：AI診断の導入により、更新事業費を約半分に圧縮。
• 掛川市：市全域1,062kmを一括でAI診断。
• 兵庫県朝来市：AI管路劣化診断に加え、管路台帳の不足項目をAIで補完することで、市全域の水道事業を職員4名で運営。

朝来市の事例は、小規模事業体が現実的に取り得る道筋を示しています。台帳が完全でないことを理由にAI導入を諦めるのではなく、台帳の欠損補完自体をAIの適用対象にするという発想です。

スマートメーターとデータ利活用

東京都水道局は令和4〜6年度の3年間で約13万個のスマートメーターを先行導入しました。国土交通省は2026年3月13日に「水道分野のスマートメーターのデータ利活用に関するガイドライン及び導入事例集」を公表し、導入した事業体が実際に何に使っているかを整理しています。

用途の半分が「宅内漏水の検知」である点は重要です。導入目的が需要予測ではなく、料金トラブルと水の損失を減らす実務課題に置かれていることが分かります。導入検討時の説明資料としても使いやすいデータです。

なお、電力の次世代スマートメーター（第2世代）は2025年度以降順次更改が始まっており、ガス・水道事業者が利用できる共同検針機能を備えています。自前でメーター網を構築せずに検針データを得る選択肢が出てきたことは、水道事業体にとって導入計画を左右する要素です。

水道分野に特化した事例と手法は水道事業のAI活用事例、自治体全体の生成AI活用は官公庁・自治体のAI活用事例で詳しく扱っています。

業務別AI活用一覧表（電力・ガス・水道）

自分の組織のどの業務にAIが効くかを判断するための一覧です。

3分野の成熟度ギャップ——自分がどのフェーズにいるかを確認する

同じ「公益事業のAI活用」でも、分野によって取り組むべきことは全く違います。次の4軸で整理すると、自組織の位置が判断しやすくなります。

この表の使い方：自組織がどのセルにいるかを特定し、1つ左（または1つ上）のセルが埋まっているかを確認してください。データ基盤が未整備なまま予測AIを導入しても、精度が出ずにPoCで止まります。

一方で、水道分野の衛星×AI漏水スクリーニングや管路劣化診断のように、スマートメーターがなくても既存データだけで動くAIは存在します。「基盤整備が終わるまで何もできない」というわけではありません。

需要予測AIの限界——精度を上げれば解決するわけではない

導入判断で最も見落とされやすいのがこの点です。需要予測AIは、前提条件が構造的に変わる局面では機能しません。

実際、大きな需要はAIで予測されていない

OCCTOの需要想定において、データセンターと半導体工場の需要は回帰モデルではなく個別計上で扱われています。その蓋然性の判断基準は、「系統接続プロセスで工事費負担金契約の締結・請求段階まで進んだ案件は必ず計上する」というものです。それ以前の案件も、工事内容の具体的検討状況、補助金の採択、事業者のプレスリリースなどをもとに人が判断しています。算式も「最大電力＝申込契約電力×補正」「年間電力量＝最大電力×負荷率×稼働時間」という単純なもので、AIによる自動予測ではなく、系統申込という実務データと人手の補正で作られています。

予測は毎年ぶれる

同じOCCTOの想定でも、前回（2025年度）想定との比較では、事業者の計画見直しを反映して2033年度までは前回想定を下回り、2034年度以降は上回る見通しへと変化しました。数年先の需要見通しが1年で上下に振れるという事実は、予測値を単独の投資根拠にすることの危うさを示しています。

予測の外れ幅は設備投資で吸収されている

2026年の報道によれば、大手電力8社はデータセンター向けに全国30カ所で変電所増設・送電網増強を進めており、その投資ペースは電力需要予測の約2倍とされています。接続完了まで最大10年程度かかるため、「予測が当たってから作る」では間に合わないからです。

つまり実務では、予測精度を上げる努力と、予測が外れる前提で余裕を持たせる設計の両方が必要になります。AIベンダーの提案を評価する際は、「精度が何%向上するか」だけでなく、「外れたときに誰がどう吸収するのか」を必ず確認してください。

導入率も伸び悩んでいる

NITEの令和7年度調査（2026年2月報告書、149事業者回答）では、電気保安のスマート化に関する13の個別技術のうち、導入率のKPI目標を達成したのは3技術にとどまりました。取組レベルの評点では13技術中9技術が目標を達成しており、「関心はあり、検討も進んでいるが、本格導入には至っていない」というのが業界の平均像です。自組織が遅れていると焦る必要はありませんが、逆に言えば先行すれば差がつきやすい局面でもあります。

AIが電力を消費する側面——データセンターと省エネ規制

公益事業のAIを論じるうえで、AI自身が電力需要を生み出している構造は避けて通れません。

世界のデータセンター電力消費

IEAのエネルギーとAIに関する分析では、データセンターの電力消費は2025年の485TWhから2030年には約950TWhへ、約2倍に増えると見込まれています（2030年時点で世界の電力需要の約3%）。うちAI特化型データセンターの消費は同期間で約3倍になる見通しです。2025年のデータセンター電力需要の伸びは全体で+17%、AI特化型では+50%と、伸び方に大きな差があります。地域別では米国が最大240TWh増、中国が175TWh増と、両国で世界の増加分の約8割を占めます。

日本の規制対応：省エネ法のデータセンター業措置

日本では2026年4月1日に、省エネ・非化石転換法に基づくデータセンター業に係る措置が施行され、同年4月10日にガイドラインが策定されました。押さえるべきは次の2点です。

この2つは別の制度枠組みであり、混同しないよう注意が必要です。未達の場合は合理化計画の作成・提出が求められます。データセンターを新設・誘致する側にとっては、立地選定や冷却方式の設計に直結する要件です。

国内のデータセンター建設のボトルネックは、発電能力そのものよりも送電設備の整備遅れにあると指摘されています。東京・関西などでは接続待ちが発生しており、電力会社にとっては新たな大口需要への対応、事業者にとっては立地戦略の再考が同時に求められています。

導入コストの目安と補助制度

公益事業のAI導入コストは、規模・既存インフラ・自社開発比率で大きく変わります。個別見積が前提ですが、費用の「型」を理解しておくと見積の妥当性を判断しやすくなります。

コストの3つの層

導入形態別に整理すると次のようになります。

一般に、公益事業のAI投資は回収まで2〜4年かかるケースが多く、一般的な業務系IT投資（1年前後で回収する例が多い）より長い前提で計画する必要があります。単年度予算のみで評価すると、ほぼ確実に「効果が出ていない」という結論になります。

使える補助制度

補助制度は年度ごとに要件が変わります。申請時点の公募要領を必ず確認し、補助対象経費（ソフトウェア費・導入関連費・ハードウェア費のどこまでか）を早い段階でベンダーと擦り合わせてください。

失敗パターン7選——PoCで止まる案件に共通すること

導入検討で最も参考になるのは成功事例より失敗の型です。公益事業のAI案件でつまずきやすい7パターンを整理します。

① データ基盤の未整備を軽視する

管路台帳が紙・Excel混在、設備履歴が担当者のファイルにしかない状態でモデル構築を始めると、データ整備だけで予算と期間を使い切ります。対策は、着手前に「学習に使えるデータが、何年分、どの粒度で、どこにあるか」を棚卸しすること。データが足りないなら、朝来市のように台帳の欠損補完自体をAIの適用対象に据える設計に切り替えます。

② KPIを決めずにPoCを始める

「AIで効率化する」だけでは効果判定ができず、次年度予算の説明もできません。着手前に「調査距離○km削減」「予測誤差○%改善」「対応時間○時間削減」など、既存業務の数値で測れる指標を1〜2個に絞ります。

③ PoCを多く回すこと自体が目的化する

逆に、東京ガスのように3か月で20件超を高速に回し、効果の出るパターンを抽出してから投資を集中させる設計であれば、件数の多さは強みになります。分岐点は「PoC後の展開判断基準を先に決めているか」です。

④ 制御系（OT）へいきなりAIの判断を直結させる

発電・送配電・浄水の制御系にAIの出力を直接つなぐ事例は現時点でも限定的で、多くは「支援・提案」にとどまります。最初は人の判断を挟む運用から始め、精度と例外パターンの蓄積を待つのが実務上の定石です。

⑤ 運用・再学習の予算を確保していない

モデルは導入時点が精度のピークで、設備更新や需要構造の変化とともに劣化します。年間の再学習・精度監視の費用を初期段階から見込んでいないと、2年目以降に「使われないシステム」になります。

⑥ AIが物理設備を更新してくれると期待する

劣化予測は「どこから直すか」の優先順位付けであり、更新工事そのものは不要になりません。四日市市のように事業費を圧縮した例はありますが、これは更新の順番を最適化した結果であって、更新自体が消えたわけではありません。この点を庁内・社内の説明で誤らせると、後で信頼を失います。

⑦ ベンダー任せで自組織に知見が残らない

公益事業のAIは、現場の運用知識がなければ特徴量も評価指標も設計できません。関西電力送配電が生成AIエンジニアを含む高度専門人財の育成目標を数値で公表しているのは、この点を制度化した例です。最低でも「要件を書ける人」「出力の妥当性を判断できる人」を内部に置く必要があります。

導入ステップ：どこから始めるか

現実的な進め方を4フェーズで整理します。

小規模事業体の場合、フェーズ2を自前でやり切るのは現実的ではありません。委託型の診断サービスや共同利用型のクラウドサービスを使い、フェーズ1と3を往復する進め方のほうが成果につながりやすいのが実情です。

セキュリティと規制上の注意点

電力・ガス・水道は重要インフラであり、AI導入の可否は技術要件だけでは決まりません。2026年は制度が大きく動いた年でもあります。

2026年に押さえるべき制度

従来は分野ごとにばらついていたセキュリティ水準が、統一基準によって政府主導で揃えられる方向に動いています。AI導入の稟議には、この基準への適合方針をセットで書く必要があります。

IT／OT境界とAIエージェントの権限設計

生成AIやAIエージェントを導入する際は、制御系ネットワーク（OT）と業務系ネットワーク（IT）の分離を前提としたうえで、AIエージェントの権限範囲を「読み取り専用」か「操作可能」かで明確に線引きすることが出発点になります。エージェントに操作権限を与える場合は、実行前の承認プロセス、監査ログ、緊急停止手段の3点を必ず設計に含めてください。

具体的な脅威と対策の整理はAIエージェントのセキュリティ対策にまとめています。

個人情報とデータ利用目的

スマートメーターの高粒度データは、在宅・不在や生活パターンを推定できる情報になり得ます。次世代スマートメーターの共同検針機能によって電力・ガス・水道のデータが同一の経路で扱われるようになるため、利用目的の限定はより重要になります。関西電力送配電の公表資料でも、共有・活用・連携する情報は法令・規則・社内ルールに照らし、目的外利用・提供とならない範囲に限定すると明記されています。

生成AI利用時の社内ルール

• 公開型の生成AIサービスに、設備仕様・系統構成・顧客情報を入力しない
• 業務利用は閉域環境またはエンタープライズ契約のサービスに限定する
• 出力のファクトチェック手順と、責任の所在を文書化する
• 誰がどのデータにアクセスできるかをロール単位で管理する

生成AIそのものの仕組みやリスクの基礎は生成AIとはで解説しています。

こんな組織にAI活用をおすすめできる／慎重に進めるべき組織

AI活用の効果が出やすい組織

大手・中堅の電力・ガス事業者

需要予測や設備保全でAI活用の蓄積があり、次の段階として生成AI・AIエージェントの業務組み込みに進める体力があります。特に、データ活用基盤の統合と人材育成目標を同時に走らせている事業者（関西電力送配電の高度専門人財計画が典型）は、投資が単発で終わりません。

政令市・中核市クラスの水道事業体

東京都・福岡市・京都市のように、実証事業やベンダーとの共同研究の枠組みを組める規模があります。国の補助制度と組み合わせた段階的導入が現実的です。

課題が金額換算できている事業者

「漏水調査に年間○千万円かかっている」「計画外停止1回で○百万円の損失」など、改善対象のコストが数値で押さえられている組織は、投資判断も効果検証もスムーズです。

小規模でも、外部サービスで始められる事業体

朝来市のように職員数が限られていても、委託型の診断サービスを使えば全域のAI診断は可能です。規模が小さいこと自体は導入を諦める理由になりません。

慎重に進めるべき組織・先に整えるべきこと

台帳・履歴データが紙のまま残っている事業体

学習データがない状態で高度な予測AIを導入しても精度は出ません。まず台帳の電子化と欠損補完に予算を振り、既存データで動く診断系AIから入るのが現実的です。

IT／OTのセキュリティ体制が未整備な事業体

2026年10月施行の統一基準への適合方針が立たないまま、IoT接続やクラウド連携を先に進めるのは避けるべきです。順序を逆にすると、後から接続構成をやり直すことになります。

単年度予算だけで評価する組織

回収に2〜4年かかる投資を単年度で判定すると、ほぼ必ず「効果不十分」と結論づけられます。複数年度計画または補助金活用を前提に組み立ててください。

「AIを入れる」ことが目的化している組織

業務フロー・データ品質・運用体制が伴わなければ、どのツールを選んでも成果は出ません。KPIと運用担当を先に決められない案件は、着手を遅らせたほうが結果的に早く進みます。

製造現場の予知保全や暗黙知の継承といった隣接領域の進め方は製造業のAI活用事例、脱炭素・環境モニタリング領域は環境・廃棄物処理業のAI活用事例が参考になります。

まとめ：分野別の現在地と次の一手

電力・ガス・水道のAI活用は、分野ごとにフェーズが異なります。他分野の成功事例をそのまま持ち込んでも機能しません。

導入判断では、次の3点を押さえてください。

1. 予測精度だけを評価軸にしない。 実際に大きな需要はAIではなく人手の個別計上で扱われ、外れ幅は設備投資で吸収されています。「外れたときにどうするか」まで含めて設計してください。
2. AI本体よりデータ基盤のほうが高くつく。 見積を比較する際は、基盤整備費と運用・再学習費が含まれているかを必ず確認してください。
3. セキュリティ・規制対応を後回しにしない。 2026年10月施行の重要インフラ統一基準への適合方針は、AI導入計画とセットで作る必要があります。

公益事業のAI活用は、技術選定よりも「どの業務から、どのデータで、どのKPIで測るか」を決める工程の質で成否が分かれます。まずは自組織のデータ棚卸しから着手し、効果が測れる1業務で小さく検証するところから始めるのが、遠回りに見えて最短の道筋です。

よくある質問（FAQ）

Q. 電力需要は本当に増えているのですか？ 全体では横ばいという話も聞きます。

A. どちらも正しく、見る指標によって答えが変わります。OCCTOの2026年度需要想定（2026年1月21日公表）では、全国の需要電力量は2026年度803,404百万kWh、2035年度846,129百万kWhと平均+0.5%の微増です。ただし用途別に分けると、家庭用は年平均▲0.6%で減少し、産業用その他が+1.7%で伸びています。エリア別でも北海道+0.9%・東京+0.8%に対し四国▲0.8%と差が開いており、「全国平均は横ばいだが、増えるところと減るところが極端に分かれている」というのが実態に近い理解です。

Q. 水道スマートメーターはどれくらい普及していますか。

A. 現時点の普及率は1%未満にとどまります。国土交通省は2026年3月13日に「水道分野のスマートメーターのデータ利活用に関するガイドライン及び導入事例集」を公表し、導入済み事業体の利活用用途として宅内漏水の検知が約51%、水量データの見える化が約31%、高齢者等の見守りが約8%というデータを示しています。東京都水道局は令和4〜6年度で約13万個を先行導入しました。なお、電力の次世代スマートメーターにはガス・水道事業者が使える共同検針機能が備わっており、自前でメーター網を作らない選択肢も検討対象になります。

Q. スマートメーターがない小規模な水道事業体でもAIを使えますか。

A. 使えます。衛星データを使った漏水スクリーニングや、管の材質・布設年・漏水履歴といった既存データから破損確率を推定する管路劣化診断は、スマートメーターがなくても導入できます。兵庫県朝来市はAI管路劣化診断と台帳の不足項目補完を組み合わせ、市全域の水道事業を職員4名で運営しています。掛川市は市全域1,062kmを一括診断、四日市市はAI診断により更新事業費を約半分に圧縮しました。台帳が不完全な場合は、その補完自体をAIの適用範囲に含める設計にするのが現実的です。

Q. AI導入にはどれくらいの費用がかかりますか。

A. 形態によって大きく異なります。SaaS型は月額数千円〜数十万円で始められ、委託型の診断サービスは管路延長やエリア面積に応じた個別見積、基幹業務向けの個別開発は数千万円〜億円規模になります。注意すべきは、AIモデル本体よりもデータ基盤の整備費のほうが高くつくケースが多いことと、初期費用の15〜25%程度／年の運用・再学習費が継続的に必要になることです。回収期間は2〜4年を見込むのが一般的で、単年度予算だけで評価すると判断を誤ります。

Q. AIによって電力消費はむしろ増えるのではないですか。

A. その通りで、これが2026年の公益事業における最大の論点です。IEAの分析では、データセンターの電力消費は2025年の485TWhから2030年には約950TWhへ約2倍に増え、AI特化型データセンターに限れば同期間で約3倍になる見通しです。日本でも2026年4月1日に省エネ・非化石転換法のデータセンター業に係る措置が施行され、ベンチマーク制度で2030年度までにPUE1.4以下、2029年度以降に新設するデータセンターはPUE1.3以下という基準が示されました。電力事業者にとっては新たな大口需要への対応と系統整備、データセンター事業者にとっては効率基準への適合が同時に求められています。

Q. AIエージェントを設備の制御に使っても問題ありませんか。

A. 現時点では、制御系（OT）にAIの判断を直結させる運用は限定的です。多くの事例は「支援・提案」にとどめ、最終判断は人が行う設計になっています。導入する場合は、①IT系とOT系のネットワーク分離、②エージェントの権限を読み取り専用から始める、③実行前の承認プロセスと監査ログ、④緊急停止手段の確保、の4点を最低条件としてください。加えて、2026年10月1日施行の重要インフラのサイバーセキュリティ対策のための統一基準への適合方針を、導入計画と同時に整理する必要があります。

Q. 何から着手するのが最も失敗が少ないですか。

A. 保有データの棚卸しです。「どの業務のどのデータが、何年分、どの粒度で、どこに存在するか」を1〜2か月かけて整理し、そのうえで効果が数値で測れる1業務に絞ってPoCを行うのが定石です。KPIは1〜2個に限定し、PoC終了時に展開するかどうかの判断基準を着手前に決めておいてください。この工程を飛ばした案件が、最も高い確率でPoC止まりになります。